Motivation - Deutschlands größte Klimasünder

• Spiegel Artikel am 16.11.2017 aus Anlass der Jamaika Gespräche

Gliederung

• Quellen für Polygonzüge (Staaten, Gemeinden, PLZ Bereiche etc.)
• Quellen für inhaltliche Daten
• Pakete zur Erstellung thematischer Karten (bspw. Pakete maptools, sp, tmap)
• Verknüpfung von Daten
• Beispiele für die Darstellung in Karten

Quellen für Polygonzüge

Hello World

library(maps)
map()

Das Paket maps - etwas detailierter

Grenzen sind recht grob:

map("world", "Germany")

Das Paket maps - Mehr Information

• Nur für manche Staaten bekommt man Umkreise für Einheiten unterhalb der Staatsgrenze (bspw. Frankreich, USA).

data(world.cities)
map("france")
map.cities(world.cities,col="blue")

Das Paket maptools

• Das Paket maptools hat intuitivere Bedienung, zudem können Shapefiles verarbeitet werden.

library(maptools)
data(wrld_simpl)
plot(wrld_simpl,col="royalblue")

Was sind shapefiles (.shp)?

• Das Dateiformat Shapefile ist ein ursprünglich für die Software ArcView der Firma ESRI entwickeltes Format für Geodaten. (Quelle: Wikipedia)

head(wrld_simpl@data)

length(wrld_simpl)

## [1] 246

nrow(wrld_simpl@data)

## [1] 246

Einzelne Elemente des Datensatzes plotten

ind <- which(wrld_simpl$ISO3=="DEU")

plot(wrld_simpl[ind,])

wrld_simpl@data[ind,]

##     FIPS ISO2 ISO3  UN    NAME  AREA  POP2005 REGION SUBREGION   LON   LAT
## DEU   GM   DE  DEU 276 Germany 34895 82652369    150       155 9.851 51.11

Andere Quellen für Shapefiles - Das Paket raster

• Für Polygonzüge unterhalb der Staatsgrenzen ist Global Administrative Boundaries eine gute Quelle.
• Vor allem weil es auch eine API gibt, die man mit dem Paket raster nutzen kann.

library(raster)
LUX1 <- getData('GADM', country='LUX', level=1)
plot(LUX1)

Daten für das Luxemburg Beispiel

kable(head(LUX1@data))

Shapefiles bei Eurostat

BKG - Quelle für Kreise in Deutschland

• Umrisse von 402 Kreisen in Deutschland
• Quelle: Bundesamt für Kartographie und Geodäsie (BKG)
• Karten gibt es auch für Bundesländer und Gemeinden

library(maptools)
krs <- readShapePoly("vg250_ebenen/vg250_krs.shp")
plot(krs)

head(krs@data$RS)

## [1] 03401 03458 09473 05962 10046 05916
## 402 Levels: 01001 01002 01003 01004 01051 01053 01054 01055 01056 ... 16077

• Die Kreise für Baden-Württemberg
• Systematik hinter dem Amtlichen Gemeindeschlüssel (AGS) bzw. Regionalschlüssel (RS) bei Wikipedia

BLA <- substr(krs@data$RS,1,2)
plot(krs[BLA=="08",])

Shapefiles für Wahlkreise

Ortsnetzbereiche

Quelle: Bundesnetzagentur

onb <- readShapePoly("onb_grenzen.shp")
kable(head(onb@data))

Vorwahlbereiche in der Region Stuttgart

vw_stg <- c("0711", "07121", "07122")
vw_reg_stg <- onb[onb@data$VORWAHL %in% vw_stg, ]
plot(vw_reg_stg)

onbD

Einen größeren Vorwahlbereich ausschneiden

vwb <- as.character(onb@data$ONB_NUMMER)
vwb1 <- substr(vwb, 1,2)
vwb7 <- onb[vwb1=="07",]
plot(vwb7)

Das Paket rgdal

• Postleitzahlenbereiche - http://arnulf.us/PLZ

library(rgdal)

## OGR data source with driver: ESRI Shapefile 
## Source: "post_pl.shp", layer: "post_pl"
## with 8270 features
## It has 3 fields

setwd("D:/GESIS/Workshops/GeoDaten/data/")
PLZ <- readOGR ("post_pl.shp","post_pl")

library(rgdal)
PLZ <- readOGR ("post_pl.shp","post_pl")

PLZ-Bereiche in Stuttgart

SG <- PLZ[PLZ@data$PLZORT99=="Stuttgart",]
plot(SG,col="chocolate1")

PLZ-Bereiche in Berlin

BE <- PLZ[PLZ@data$PLZORT99%in%c("Berlin-West","Berlin (östl. Stadtbezirke)"),]
plot(BE,col="chocolate2")

Zwischenfazit - Quellen für Polygonzüge

• In einigen R-Paketen sind Polygonzüge hinterlegt
• Umgang mit den Daten unterscheidet sich
• Am sinnvollsten ist das arbeiten mit Shapefiles (.shp)
• Neben den R-Paketen gibt es zahlreiche weitere Quellen für Polygonzüge.

Thematische Karten mit R erstellen

Thematische Karten erzeugen - das Paket sp

library(sp)
spplot(wrld_simpl,"POP2005")

Andere Einfärbungen wählen - Das Paket colorRamps

library(colorRamps)
spplot(wrld_simpl,"POP2005",col.regions=blue2red(100))

Es gibt auch noch mehr Farbverläufe im Paket colorRamps

• blue2green, blue2yellow

spplot(wrld_simpl,"POP2005",col.regions=matlab.like(100))

Eurostat Daten

Sie können eine Statistik der Sparquote bei Eurostat downloaden.

http://ec.europa.eu/eurostat/web/euro-indicators/peeis

library(xlsx)
HHsr <- read.xlsx2("HHsavingRate.xls",1)

Zensus Ergebnisse

Zensus Atlas

https://ergebnisse.zensus2011.de/

Zensus Datenbank

datahub.io

Weltkulturerbestätten

url <- "https://raw.githubusercontent.com/Japhilko/
GeoData/master/2015/data/whcSites.csv"

whcSites <- read.csv(url) 

Exkurs - OpenStreetMap Projekt

OpenStreetMap.org ist ein im Jahre 2004 gegründetes internationales Projekt mit dem Ziel, eine freie Weltkarte zu erschaffen. Dafür sammeln wir weltweit Daten über Straßen, Eisenbahnen, Flüsse, Wälder, Häuser und vieles mehr.

http://www.openstreetmap.de/

Export von OpenStreetMap Daten

<www.openstreetmap.org/export>

OpenStreetMap - Map Features

Overpass Turbo

https://overpass-turbo.eu/

Query Overpass

node
  [amenity=bar]
  ({{bbox}});
out;

Zwischenfazit - Quellen für inhaltliche Daten

• Gerade auf Staatenebene gibt es sehr viele Daten
• Oftmals hat man aber eigene Daten, die man in einer Karte darstellen möchte
• Frage ist wie sich die inhaltlichen Daten mit den Polygonzügen verbinden lassen

Verknüpfung von Daten

Quelle: Geographic Information Systems and Remote Sensing

Daten verbinden - Beispiel Bäckereien in Berlin

• Quelle für die folgenden Daten ist:

OSM als Datenquelle

• Zum Download habe ich die Overpass API verwendet

(load("data/info_bar_Berlin.RData"))

## [1] "info"

Matching

tab_plz <- table(info_be$addr.postcode)

ind <- match(BE@data$PLZ99_N,names(tab_plz))
ind

##   [1]  1  2  3  4  5  6  7  8 NA  9 NA NA NA NA NA 10 11 12 NA 13 14 15 16
##  [24] 17 18 19 20 21 22 23 24 25 NA 26 27 28 29 NA NA NA NA 30 NA 31 32 33
##  [47] 34 35 NA NA 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 NA 52 53
##  [70] NA 54 55 NA NA NA 56 57 58 59 60 NA NA NA NA NA 61 NA NA NA 62 NA NA
##  [93] NA NA NA NA NA NA NA 63 NA NA 64 NA 65 NA NA NA 66 NA NA NA NA 67 NA
## [116] NA 68 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [139] NA 69 70 NA 71 72 73 74 75 NA 76 NA NA NA NA NA NA NA NA NA NA NA NA
## [162] 77 NA 78 79 NA NA NA NA 80 NA NA NA NA 81 NA 82 83 84 NA NA NA NA NA
## [185] NA NA NA 85 NA NA

Daten anspielen

BE@data$num_plz <- tab_plz[ind]

Das Paket tmap

library(tmap)

• mit qmap kann man schnell eine thematische Karte erzeugen

BE@data$num_plz[is.na(BE@data$num_plz)] <- 0
qtm(BE,fill = "num_plz")

Mehr Informationen einbinden

• Der folgende Datensatz ist eine Kombination aus den vorgestellten PLZ-Shapefiles und OSM-Daten die über Overpass heruntergeladen wurden:

load("data/osmsa_PLZ_14.RData")

OSM-Daten - Bäckereien in Stuttgart

qtm(PLZ_SG,fill="bakery")

In welchem PLZ Bereich sind die meisten Bäckereien

kable(PLZ_SG@data[which.max(PLZ_SG$bakery),c("PLZ99","lat","lon","bakery")])

Das Paket ggmap

library(ggmap)
lon_plz <- PLZ_SG@data[which.max(PLZ_SG$bakery),"lon"]
lat_plz <- PLZ_SG@data[which.max(PLZ_SG$bakery),"lat"]
mp_plz <- as.numeric(c(lon_plz,lat_plz))
qmap(location = mp_plz,zoom=15)

Das R-Paket RDSTK

• Data Science Toolkit API

library("RDSTK")

Die Daten für Stuttgart

PLZ_SG <- PLZ[PLZ@data$PLZORT99=="Stuttgart",]

Eine Karte der Flächenbedeckung erstellen

• Daten von European Commission Land Resource Management Unit Global Land Cover 2000.

qtm(PLZ_SG,fill="land_cover.value")

Die Höhe in Stuttgart

• Daten von NASA and the CGIAR Consortium for Spatial Information .

qtm(PLZ_SG,fill="elevation.value")

Das Paket osmar

library(osmar) 

src <- osmsource_api()
gc <- geocode("Stuttgart-Degerloch")
bb <- center_bbox(gc$lon, gc$lat, 800, 800)
ua <- get_osm(bb, source = src)
plot(ua)

Graphiken Stadtleben Stuttgart